a16z：预测市场失灵时该怎么办？

作者：Andy Hall，a16z研究顾问兼斯坦福大学政治经济学教授；来源：a16z crypto；编译：Shaw 金色财经

去年，有关委内瑞拉总统选举结果的预测市场合约交易额超过 600 万美元。但计票结束后，该市场陷入两难境地：政府宣布尼古拉斯·马杜罗获胜；反对派和国际观察员则称选举存在舞弊。预测市场合约的结算应依据“官方信息”（马杜罗获胜）还是“可信报道的共识”（反对派获胜）？

在委内瑞拉的选举中，观察员提出了各种各样的指控：规则被忽视，参与者的“钱被偷了”；争端解决机制在一场高风险的政治闹剧中扮演了“法官、陪审团和刽子手”的角色；选举过程本身被“严重操纵”。

这并非孤立的小插曲，而是预测市场规模化发展过程中面临的最大瓶颈之一：合约结算的体现。

这里风险很高。如果结果判定准确，人们就会信任你的市场，愿意在其中交易，价格也会成为对社会有意义的信号。如果结果判定有误，交易就会令人感到沮丧和难以预测。参与者可能会流失，流动性面临枯竭的风险，价格不再反映稳定目标的准确预测。相反，价格会开始反映结果实际发生的概率与交易者对扭曲的结果判定机制如何裁决的信念之间的模糊混合。

委内瑞拉争端虽然备受瞩目，但各平台上的类似失误也时有发生：

• 乌克兰地图操纵事件表明，对手可以直接操纵争端解决机制。一份关于领土控制权的合约规定，其结果将依据特定的在线地图来确定。据称有人篡改了该地图以影响合约的结果。当你的事实依据可以被篡改时，你的市场也就可以被操纵。

• 政府停摆交易合约表明，结算依据可能不准确，甚至导致无法预测的结果。结算规则规定，市场将根据人事管理办公室（OPM）网站显示政府停摆结束的时间进行结算。特朗普总统于11月12日签署了拨款法案，但出于不明原因，OPM网站直到11月13日才更新。那些正确预测政府停摆将于12日结束的交易员，由于网站管理员的延迟更新而输掉了他们的赌注。

• 泽连斯基穿西装的市场引发了人们对利益冲突的担忧。该合约询问乌克兰总统泽连斯基是否会在某个特定场合穿西装——一个看似无关紧要的问题，却吸引了超过2亿美元的赌注。当泽连斯基身着BBC、《纽约邮报》和其他媒体所描述的西装出现在北约峰会上时，市场最初给出的答案是“是”。但Universal Market Access（UMA协议）代币持有者对结果提出异议，最终结果变为“否”。

在本文中，我探讨了大型语言模型（LLM）与加密技术巧妙结合，如何帮助我们创建大规模预测市场解决方案，使其难以被操纵，同时具备准确性、完全透明性和可信的中立性。

这不仅仅是预测市场的问题

类似的难题也困扰着金融市场。国际掉期与衍生品协会（ISDA）多年来一直在努力解决信用违约互换市场（一种在公司或国家债务违约时支付赔偿金的合约）的清算难题，其2024年的评估报告也坦诚地指出了这些难题。ISDA的认定委员会由主要市场参与者组成，负责投票决定是否发生了信用事件。但与UMA的流程一样，该流程也因缺乏透明度、潜在的利益冲突以及结果不一致而备受诟病。

根本问题是一样的：：当大量资金取决于对模棱两可的情况作出判定时，每一种解决机制都会成为被钻空子的目标，而每一种模棱两可之处都可能成为潜在的导火索。

那么，一个好的解决机制应该是什么样的呢？

良好解决方案的特性

任何可行的解决方案都需要同时实现多个关键特性。

抵御操纵的能力。如果对手能够通过编辑维基百科、散布虚假新闻、贿赂权威机构或利用程序漏洞来影响结果，那么市场就变成了一场比拼谁操纵手段高明的游戏，而非比拼谁预测能力更强的游戏。

合理的准确性。该机制必须在大多数情况下都能做出正确的判断。在一个充满真正模糊性的世界里，绝对的准确性是不可能的，但系统性误差或明显的错误会严重损害其可信度。

事前透明度至关重要。交易者在下注前需要完全了解结算机制的运作方式。交易过程中更改规则违反了平台与参与者之间的基本协议。

可信的中立性。参与者需要相信该机制不会偏袒任何特定的交易者或结果。这就是为什么让持有大量UMA合约的参与者来解决他们押注的合约如此成问题：即使他们行事公平，利益冲突的表象也会破坏信任。

人类委员会可以满足其中一些特性，但在其他方面却存在不足——尤其是在大规模情况下，难以有效抵御操纵和保持可信的中立性。像UMA这样的基于代币的投票系统也存在着众所周知的巨鲸主导和利益冲突问题。

这时人工智能（AI）就派上用场了。

使用大型语言模型（LLM）判定的理由

在预测市场领域，有一个提议正逐渐受到关注：使用大型语言模型（LLM）作为评判者，在创建合约时将特定模型和提示锁定到区块链中。

基本架构的工作原理如下：在合约创建时，做市商不仅要用自然语言指定解决标准，还要指定确切的LLM（通过带时间戳的模型版本标识）以及用于确定结果的确切提示。

该规范将以加密方式写入区块链。交易开始时，参与者可以查看完整的结算机制——他们确切地知道哪个AI模型将判断结果、它将收到什么提示以及它可以访问哪些信息源。

如果他们不喜欢这种交易方式，他们就不会进行交易。

在结算时，已提交的LLM会按照已提交的提示运行，访问所有指定的信息源，并做出判断。该判断结果决定了谁将获得报酬。

这种方法可以同时解决几个关键的限制条件：

LLM具有很强的抗操纵性（尽管并非绝对）。与维基百科页面或小型新闻网站不同，你无法轻易编辑LLM模型的输出。模型的权重在生成时就已经确定。要操纵其结果，对手要么需要破坏模型所依赖的信息源，要么需要提前很久就以某种方式污染模型的训练数据——与贿赂预言机或篡改地图相比，这两种攻击方式都代价高昂且风险极大。

准确性高。随着推理模型的快速发展，它们能够应对种类繁多的复杂任务，尤其是在能够浏览网络并寻找新信息的情况下，LLM 模型应该能够准确地解决许多市场问题——目前，为了解其准确性而进行的实验仍在进行中。

完全透明。在任何人下注之前，整个结算机制都公开透明，可审计。不会在比赛进行过程中更改规则，不会随意做出判断，也不会有任何幕后交易。您完全清楚自己参与的是什么。

显著提升可信中立性。LLM模型与结果没有任何经济利益关系，不会被收买，也不持有UMA代币。其偏见，无论具体是什么，都源于模型本身，而非利益相关方临时决策的结果。

当然，LLM模型判断也会有一些局限性，我将在下面概述和讨论这些局限性：

1. 模型也会犯错。例如，LLM可能会误读新闻报道、臆造事实，或者不一致地应用判别标准。但只要交易者清楚自己使用的是哪个模型，就能将模型的缺陷考虑在内。如果某个模型在处理模糊案例时有特定的倾向，经验丰富的交易者会对此进行调整。模型不必完美，但必须具有可预测性。

2. 操纵并非不可能，只是难度更大。如果提示信息指定了特定的新闻来源，攻击者就可以尝试在这些来源中植入报道。这种攻击对大型媒体机构来说代价高昂，但对小型媒体机构来说却可能有效——这相当于另一种形式的地图篡改问题。提示信息的设计至关重要：依赖于多样化、冗余信息源的解析机制比依赖于单一故障点的机制更加稳健。

3. 理论上，投毒攻击是可能的。拥有足够资源的对手可以试图影响LLM模型的训练数据，从而影响其未来的判断。但这需要远在创建合约之前采取行动，收益不确定且成本高昂——这比贿赂委员会成员的难度要高得多。

4. LLM模型数量的激增会造成协调问题。如果不同的市场参与者选择不同的LLM和不同的交易提示，流动性就会分散。交易者难以比较合约或汇总跨市场的信息。标准化固然重要，但让市场自行探索哪些LLM和交易提示组合效果最佳也同样重要。正确的做法或许是两者兼顾：允许试验，但同时也要建立机制，使市场能够随着时间的推移，逐渐趋于一致地采用经过充分验证的默认设置。

开发者如何才能采用这些策略？

总而言之：基于人工智能的解决方案本质上是用另一组问题（模型局限性、工程挑战、信息源漏洞）取代了之前的问题（人为偏见、利益冲突、信息不透明），而后者可能更容易解决。那么我们该如何推进？平台应该：

通过在低风险合约上测试LLM机制来建立过往业绩记录。哪些模型表现最佳？哪些提示结构最稳健？实践中会出现哪些故障模式？

标准化。随着最佳实践的涌现，业界应致力于制定标准化的LLM-提示组合，作为默认选项。这并非阻碍创新，而是有助于流动性集中在易于理解的市场中。

构建透明化工具，例如便于交易者在交易前查看完整结算机制（包括模型、提示信息和信息来源）的界面。结算机制不应隐藏在不起眼的细则中。

持续进行治理。即使有了人工智能判断，人类仍然需要做出元层面的决策：信任哪些模型、如何处理模型给出明显错误答案的情况、何时更新默认设置。目标并非完全将人类排除在外，而是引导他们从临时性的个案判断转向系统性的规则制定。

***

预测市场拥有帮助我们理解纷繁复杂世界的巨大潜力。但这种潜力取决于信任，而信任又取决于公平的合约解决机制。我们已经目睹了解决机制失效的后果：混乱、愤怒，以及交易者的流失。我曾亲眼目睹一些人在感觉被欺骗后彻底退出预测市场，因为他们的投注结果似乎违背了他们的初衷——他们发誓不再使用之前喜爱的平台。这无疑错失了释放预测市场优势和拓展其更广泛应用的良机。

LLM模型并非完美无缺。但当它们与加密技术相结合时，便能做到透明、中立，并能抵御困扰基于人类系统的种种操纵行为。在预测市场规模扩张速度远超治理机制的当下，这或许正是我们所需要的。